Descubre cómo nuestro mecanizado predictivo mejora la fiabilidad: Casos de uso reales

Publicado originalmente en Towards Data Science

Durante los últimos meses, hemos estado monitoreando silenciosamente y descubriendo nuevos casos de uso para nuestro producto de mecanizado predictivo. Gracias a una interfaz de operador simplificada, que también convenientemente funciona como plataforma de recopilación de datos etiquetados "tras bambalinas", hemos visto cientos de fallos de herramienta, fallos de cojinete y otros escenarios de fallo de máquina hasta ahora.

En conjunto con nuestros clientes, hemos creado un gran catálogo de cómo se ven los fallos típicos de máquina desde una perspectiva de datos de motor, lo cual estamos emocionados de compartir contigo hoy. Revisaremos seis escenarios que hemos visto repetidos en múltiples sitios de clientes, y cómo se ven tanto desde una perspectiva de "puntos en un gráfico" como su manifestación física en la planta. Estos son:

1. Fallos de fresa de extremo (endmill) llevando a acabado pobre y piezas de desecho
2. Fallos de cojinete de bolas llevando a carcasa de husillo dañada
3. Fallos de herramienta de desbaste, llevando a fallos en cascada en herramientas de acabado
4. Desplazamiento incorrecto (offset), llevando a desalineación de buje guía
5. Fallo de herramienta, llevando a corte incompleto
6. Estimación incorrecta de vida de herramienta, llevando a sobreuso o subuso de herramientas

Antes de llegar a lo bueno, revisemos nuestra tesis para nuestra oferta de mecanizado predictivo:

Extraemos datos ricos de sensores integrados en la máquina para predecir y prevenir diferentes escenarios que podrían resultar costosos.

1. Datos ricos: tasa de muestreo de 1 milisegundo → 170 millones de observaciones por día por motor, precisión de 0.001 RPM para velocidad de husillo, 0.01 % de nominal continuo para potencia/carga
2. Sensores integrados: No se necesitan sensores adicionales, ya que los datos están necesariamente disponibles en todas las máquinas CNC modernas. Solo extraemos datos que la máquina usa para correr su bucle de retroalimentación de control interno. Todos los escenarios demostrados fueron desplegados durante la pandemia de COVID-19 sin que personal de MachineMetrics jamás pusiera pie en la planta
3. Predecir y prevenir escenarios costosos: Las situaciones descritas cuestan dinero a nuestros clientes, y prevenirlas les ahorra dinero. Monetizamos esto tomando una fracción del ahorro

Fallos de fresa de extremo (Endmill)

Solo para repasar, en cada máquina de MachineMetrics, tenemos una tableta de operador, que básicamente es solo una tableta Samsung Galaxy o iPad apuntada a la página web de la máquina particular en nuestro producto SaaS.

Un cliente usando nuestra tableta de operador.

La tableta de operador está directamente conectada a nuestra plataforma, así que cada vez que la máquina se detiene, una señal se envía de la máquina a nuestro dispositivo Edge, que luego se envía a la nube donde se agrega y se muestra en paneles con otras métricas. La tableta entonces refleja esta nueva información y emite un popup en la página web de la máquina pidiendo al operador explicar por qué la máquina se detuvo.

Cuando una máquina se detiene, aparece un popup pidiendo al operador agregar un código de razón.

Con el tiempo, estas anotaciones se acumulan, permitiéndonos una vista rica y detallada de cuándo y por qué razón una máquina se rompió.

Corresponde a la Ciencia de Datos de MachineMetrics idear el por qué y cómo de la avería de la máquina, usando los datos extremadamente finos que recopilamos de los motores de la máquina. En una encarnación de esto, podemos mirar decenas de miles de piezas hechas y docenas de anotaciones para identificar patrones, como en el ejemplo abajo, donde líneas negras son fallos anotados y puntos son la potencia consumida por cada pieza hecha.

Líneas negras son fallos anotados, mientras que puntos rojos son carga anormal. Algunos puntos rojos no se alinean con líneas negras, debido a que las anotaciones a veces son perdidas por operadores.

Con el tiempo, emergen patrones para cada tipo de fallo. Las líneas negras en el gráfico arriba representan todos tiempos de fallos de fresa de extremo, donde una fresa de extremo particular se rompe y no puede hacer el trabajo requerido para terminar la pieza. La herramienta que viene después de la fresa de extremo entonces necesita gastar energía adicional para hacer su corte, causando la firma de carga elevada en rojo que ves en el gráfico arriba. Esto se repite una y otra vez, permitiéndonos crear un algoritmo simple de umbral para detener la máquina en seco cada vez que vemos la primera firma de carga elevada.

En su manifestación física, puedes ver que una pieza buena, cortada por una buena fresa de extremo, tiene un acabado bonito y brillante en la ranura. Una pieza mala, cortada por una fresa de extremo rota, tiene una ranura rugosa porque la fresa no pudo crear un acabado suave, y la herramienta que vino después no pudo hacer su trabajo correctamente tampoco.

Y en nuestro producto, ahora monitoreamos las cargas en esta máquina para emitir un feed-hold (parada de avance) antes de que cualquiera de estas Piezas de Ranura Mala sean hechas. En los últimos 4 meses, hemos emitido 60 feed holds en múltiples máquinas, con 3 falsos positivos y 2 fallos no detectados (95 % precisión, 96 % recall), previniendo más de 2.000 piezas de desecho de ser hechas y ahorrando incontables horas-hombre de reconfiguración de máquina. Oh, y solo para estar seguros, estas son piezas pequeñas, hechas por herramientas pequeñas — el tamaño no es mucha restricción para nosotros cuando extraemos datos de motor muy sensibles. Todas las piezas que salen de estas máquinas ahora son brillantes y nuevas, sin los defectos que solían llevar.

Bastante genial, ¿eh? Eso es solo uno de muchos casos de uso. ¿No pensaste que éramos un pony de un solo truco, verdad?

Fallos de cojinete de bolas

Similar a fallos de fresa de extremo, los fallos de cojinete pueden resultar costosos tanto en términos de materiales como de mano de obra.

Disimilar a fallos de fresa de extremo, los fallos de cojinete se ven completamente diferentes en términos de qué patrones necesitamos buscar.

Similar a fallos de fresa de extremo, los fallos de cojinete usan el mismo tipo de datos de motor ricos y metodología de recopilación.

Disimilar a fallos de fresa de extremo, los fallos de cojinete se manifiestan en períodos largos (días a semanas) y pueden prevenirse mucho antes.

Investiguemos primero qué hace la carga en la máquina momentos antes de un fallo de cojinete, en una instantánea de datos 2 horas antes del fallo.

[Ver imagen a tamaño completo]

Cada una de esas líneas es carga en una herramienta particular. No hace falta ser científico para darse cuenta de qué está pasando aquí. La carga se dispara ~15 minutos antes del fallo real del cojinete en cada herramienta, probablemente debido a que la máquina está experimentando tensión adicional de un componente clave cada vez más comprometido.

Si miramos la progresión pieza por pieza en los 15 minutos previos al fallo, emerge otro patrón interesante, que es que la carga parece degenerar con el tiempo. Puedes ver que para cada corte, la carga se va exponencialmente más y más fuera de especificación.

Compara esto con otro fallo de cojinete en otra máquina haciendo la misma pieza, y los patrones son notablemente similares. Eso es porque esta es la firma única para un fallo de cojinete. Mientras los fallos de fresa de extremo llevando a piezas de desecho exhiben un salto en carga en la herramienta subsecuente, los fallos de cojinete exhiben un aumento degenerativo grande en carga en todas las herramientas.

Y mirando esto a lo largo del tiempo, realmente vemos que esta degeneración empieza días antes del fallo real. En dos instancias separadas para dos máquinas, puedes ver que hay una elevación en carga mucho antes de la subida final empinada durante los últimos 15 minutos antes de la rotura. Eso es porque un cojinete no falla de la nada. Probablemente hay un aflojamiento o fractura que pasa sin revisar por días previo al final hari-kari, provocado por mal uso o falta de mantenimiento. En este caso, el cojinete fallado también causó daño a la carcasa del husillo, que costó otros miles de dólares en reparación.

Fallo de cojinete en noviembre, mostrando carga elevada ~2 días antes. [Ver imagen a tamaño completo]

Fallo de cojinete en febrero, mostrando carga elevada ~1 semana antes. [Ver imagen a tamaño completo]

La consistencia notable que vemos para tipos similares de fallo se debe a que estamos mirando fenómenos físicos, que, sorpresa sorpresa, están gobernados por las leyes de la física. Así, los fallos siguen patrones deterministas que podemos discernir de datos de fidelidad lo suficientemente alta. El truco está realmente en conseguir estos datos y limpiarlos para que sean útiles, que es una gran parte de nuestra IP.

Creditamos esta innovación a la mezcla particular de habilidades que tenemos en el equipo de MachineMetrics — no creemos que sea típico tener operadores de máquina experimentados trabajando con expertos en protocolos ciber-físicos, suplementados por físicos del CERN y científicos de datos de think tanks globales, todos respaldados por inversores que creen que estamos trayendo una nueva era de la industria.

Fallos de herramientas en cascada

Tener una columna entera de herramientas rompiéndose puede ser una experiencia frustrante para cualquier mecanico. Desafortunadamente, esto es una ocurrencia demasiado común en nuestra industria. ¿Qué pasaría si pudiéramos ver cuándo la primera herramienta se rompió, y entonces detener la máquina inmediatamente antes de que las otras herramientas sean llevadas?

Resulta que puedes. Después de que la primera herramienta va, el cambio en la firma de carga en herramientas subsecuentes es casi que servido en bandeja.

En una instancia de esto, vemos la primera herramienta romperse muchos ciclos de pieza antes de que la máquina se detenga a sí misma cuando detecta algo catastrófico. Para cuando ocurre la auto-detención, otras herramientas también han sido llevadas, costando a la planta cientos de dólares en reemplazos de herramientas innecesarios. La primera herramienta probablemente se rompió porque estaba desgastada y pasado su fin de vida, así que probablemente no podría haberse salvado de todas formas. Pero no hay razón por la que otras herramientas después de ella, algunas recién reemplazadas, necesiten irse también.

Puedes ver una animación de esto abajo, donde el supuesto fallo de herramienta según el operador, y cuando la máquina se detuvo a sí misma, fue en la Pieza 40. De hecho, la señal empieza a degenerar alrededor de la Pieza 37, ¡un total de 3 ciclos antes de que la máquina se auto-identificara que algo andaba mal! Durante estos 3 ciclos, la herramienta que siguió a la herramienta rota se rompió.

Desglosemos esto por período de uso de herramienta además de solo número de pieza — las herramientas son designadas por diferentes tipos de línea.

Acercémonos a la región problemática. Es un poco difícil de distinguir, pero parece que T101 es la herramienta ofendida que se rompió, y T117 es la que experimenta una carga más alta en los ciclos inmediatamente después, luego se aplana (muere). Una vez que las herramientas son reemplazadas, la firma de carga vuelve aproximadamente a lo que era antes (contabilizando un poco de deslizamiento por tener herramientas frescas).

La anotación en este caso fue "H1t1 198/200 rougher broke, took out seat" — significando, "cabezal 1, herramienta 1, la herramienta de desbaste, se rompió durante el trabajo, en 198 de 200 piezas previstas a fabricarse, y sacó la herramienta de asiento (subsecuente)".

[Ver imagen a tamaño completo]

En efecto, eso es lo que pasó.

Mantente atento para la Parte 2, donde revisaremos estimación de vida de herramienta, las consecuencias de offsets incorrectos en tu máquina, y cortes incompletos por fallo de herramienta.